## 数据中心废热变电能：热电材料生长技术取得新突破 随着人工智能和高性能计算的爆发式增长，数据中心的能耗问题日益严峻。其中，大量电力转化为热量被白白浪费。如今，一家名为 **PyroDelta Energy** 的公司开发出一种新型晶体生长方法，能将热电材料 **碲化铋** 加工成任意形状和尺寸，显著提升其在数据中心废热回收中的实用性。 ### 核心突破：毛细作用塑造热电晶体 传统热电材料碲化铋虽能通过温差发电，但受限于晶体生长工艺，通常只能制成简单几何形状，难以适配数据中心复杂的散热结构。PyroDelta Energy 的创新在于利用 **毛细作用**，将熔融的碲化铋半导体吸入定制模具中，冷却后即可形成所需形状的晶体。这种方法不仅实现了形状定制，还保持了材料的热电性能，为热电模块的集成设计提供了极大灵活性。 ### 数据中心废热回收的潜力 数据中心运行时产生大量中低温废热（通常在 60-80°C），传统冷却系统需消耗额外电力将其排出。热电发电技术可将这部分温差直接转化为电能，回馈给数据中心使用，从而降低整体能耗。据估算，若将热电模块部署于服务器散热通道，每千瓦废热可回收数十瓦电力，虽转化效率有限，但胜在零运行成本和长寿命。 ### 行业背景与展望 全球数据中心电力消耗约占全球总电力的 1-2%，且随着 AI 训练需求激增，这一比例仍在上升。谷歌、微软等巨头已开始探索废热再利用方案，如将废热用于区域供暖。热电发电技术则提供了一种直接发电的路径，尤其适合偏远或离网数据中心。PyroDelta Energy 的工艺突破，使得定制化热电模块的大规模生产成为可能，有望加速这一技术的商业化落地。 ### 挑战与未来方向 当前主要挑战在于碲化铋材料的成本与稀缺性，以及热电转换效率的进一步提升。PyroDelta Energy 表示，其工艺可兼容多种热电材料，未来或可探索更廉价、高效的替代材料。此外，如何将热电模块无缝集成到现有服务器散热系统，并确保长期稳定性，也是工程化落地的关键。 总体而言，这项技术为数据中心的能源循环利用提供了新思路——**让废热不再是负担，而是一种可再生的资源**。随着材料科学与热管理技术的协同进步，我们或许很快就能看到数据中心“自己给自己供电”的部分场景。
本周的机器人视频精选聚焦于两家备受瞩目的人形机器人公司——Figure 和 1X，它们正加速推进人形机器人的量产进程，标志着这一领域从实验室走向实际部署的关键转折。 ### Figure：从概念到产线的快速跃进 Figure 近期发布了其最新的人形机器人 Figure 02 在工厂环境中执行物流任务的视频。视频中，机器人展示了流畅的抓取、搬运和放置动作，其自主导航和物体识别能力较上一代有了显著提升。Figure 公司表示，他们已在内部生产线部署了数台 Figure 02 进行实际测试，目标是在 2025 年实现小批量量产并交付给首批商业客户。这一节奏延续了该公司“快速迭代、尽早落地”的策略，试图在特斯拉 Optimus 和波士顿动力 Atlas 等竞争对手之前抢占市场份额。 ### 1X：聚焦家庭与商业场景的轻量化路线 与 Figure 侧重工业场景不同，1X（前身为 Halodi Robotics）展示了其 Eve 人形机器人在办公和家庭环境中的最新进展。视频中，Eve 能够完成开门、整理物品、使用工具等精细操作，其低功耗、高安全性的设计使其更适合与人类近距离协作。1X 已与多家物流和安保公司达成试点合作，并计划在 2024 年底前将产量提升至每月数百台。公司创始人强调，1X 的目标是打造“通用型劳动力机器人”，而非仅用于特定工业任务。 ### 行业趋势：量产竞赛背后的技术挑战 两家公司的加速量产反映了人形机器人行业的一个核心趋势：从技术演示向商业化落地转型。然而，规模化生产仍面临多项挑战，包括核心零部件的成本控制、复杂运动控制的稳定性，以及适应多样化环境的泛化能力。Figure 和 1X 各自选择了不同的技术路径——Figure 采用高扭矩关节和强化学习算法，而 1X 则侧重柔顺控制和模块化设计——但都面临着在保证性能的同时降低制造成本的压力。 此外，数据采集和训练也是瓶颈之一。Figure 最近宣布与 AI 公司合作，利用仿真环境加速机器人学习；1X 则通过远程操作收集真实世界数据来训练模型。这些努力表明，人形机器人公司正在将软件和 AI 能力视为与硬件同等重要的竞争壁垒。 ### 小结 总的来说，Figure 和 1X 的最新视频展示了人形机器人在不同场景下的实用潜力，而量产计划的公布则预示着该行业即将进入一个更激烈的竞争阶段。未来一年，我们可能会看到更多公司从“演示”走向“部署”，而成本、可靠性和生态系统的建设将成为决定成败的关键因素。
地球观测公司 **Planet Labs** 近日宣布，其 Pelican-4 卫星成功在轨运行 AI 模型，实现了对地球影像的实时处理。这一突破意味着卫星无需将大量原始数据传回地面，即可在太空中直接识别和分析目标，例如飞机、船只等。 ## 从数据回传到太空计算 传统上，地球观测卫星拍摄的影像需要先传输到地面站，再由地面服务器进行处理。这不仅耗时，还受限于带宽——高分辨率影像体积庞大，而卫星与地面的通信链路往往有限。Planet Labs 的 Pelican-4 卫星搭载了 AI 处理单元，能直接在轨道上运行机器学习模型，识别图像中的特定物体。 在最近的一次演示中，Pelican-4 拍摄了某区域的地球影像，并在星载处理器上运行目标检测模型，成功标记出机场内的飞机。整个过程完全在太空完成，仅将识别结果（而非原始图像）传回地面。 ## 实时行星智能的愿景 Planet Labs 希望借助在轨 AI 实现“实时行星智能”（real-time planetary intelligence）。该公司运营着全球最大的遥感卫星星座之一，拥有数百颗小型卫星，每天覆盖整个地球陆地表面。然而，从拍摄到用户获取信息之间往往存在数小时甚至数天的延迟。 通过在轨 AI，关键信息——如灾害发生时的受灾区域、军事动向、农业异常等——可以在几分钟内被识别并传回，极大缩短了响应时间。这对于灾害应急、国防监控、环境监测等场景具有重要意义。 ## 技术挑战与行业影响 在太空中运行 AI 面临独特挑战：卫星的功耗、散热和计算资源极为有限；宇宙射线可能导致硬件错误；模型需要在低功耗嵌入式设备上高效推理。Planet Labs 的解决方案可能涉及专用 AI 芯片或经过压缩的轻量级模型。 这一进展也反映了整个航天与 AI 交叉领域的趋势。近年来，多家公司（如 SpaceX、谷歌、NASA）都在探索星载 AI，用于卫星自主导航、科学数据筛选等。Planet Labs 的成功案例表明，AI 在轨处理已从概念走向实用。 ## 未来展望 随着星载 AI 能力的提升，未来的卫星将不仅仅是“相机”，而是智能传感器——它们能自主决定拍摄什么、分析什么，甚至基于分析结果调整观测计划。这将催生新一代的太空数据服务，用户将能够像使用地面 API 一样，快速获取经过 AI 处理的地理空间情报。 Planet Labs 计划将这项技术扩展到其整个星座，并开放给商业和政府客户。可以预见，在轨 AI 将成为地球观测领域的下一个竞争焦点。
法国研究机构 **CEA-Leti** 近日开发出一款新型电子顺磁共振（EPR）芯片，能够以极快速度检测纳升级液体中的自由基浓度，灵敏度达到微摩尔级别。这项突破有望将 EPR 技术从实验室带入啤酒、血液等日常液体的质量监控与健康检测领域。 ## 什么是电子顺磁共振？ 电子顺磁共振是一种分析技术，通过检测未配对电子的磁共振信号来识别和量化自由基。自由基是含有未配对电子的分子，在人体内与氧化应激、衰老、疾病密切相关；在食品中则影响啤酒的保质期、油脂的氧化程度等。传统 EPR 设备体积庞大、操作复杂，限制了其实际应用。 ## 芯片级 EPR 的关键突破 CEA-Leti 的芯片将 EPR 所需的微波谐振腔、磁场生成和信号检测集成在一个微芯片上，尺寸仅为几毫米。芯片工作时，将纳升级液体样品注入微流道，通过片上微波源和微型磁铁产生共振条件，从而快速检测自由基信号。 相比传统设备，这款芯片的检测速度提升了几个数量级，且样品消耗量极小——**仅需纳升体积**，即可在数秒内完成测量。灵敏度达到微摩尔级别，足以捕捉大多数生物和食品样品中的自由基变化。 ## 应用场景：从啤酒到血液 - **啤酒行业**：啤酒中的自由基会加速老化，产生异味。EPR 芯片可实时监控酿造过程中的抗氧化状态，帮助厂商优化工艺、延长保质期。 - **血液检测**：血液中自由基水平与氧化应激相关，可作为糖尿病、心血管疾病等早期指标。芯片的快速检测能力使得即时诊断成为可能。 - **工业品控**：在石油、塑料等行业，自由基影响材料稳定性，EPR 芯片可用于在线质量监控。 ## 行业意义与未来展望 当前，便携式 EPR 设备仍处于早期阶段。CEA-Leti 的芯片代表了传感器小型化的重要一步。若未来能进一步降低成本、提升集成度，EPR 芯片有望像血糖仪一样普及，成为健康监测和食品安全的常规工具。 不过，从实验室原型到商业化产品仍需解决工程化问题，包括芯片的批量制造、信号处理算法的优化以及配套微流控系统的标准化。CEA-Leti 表示正与工业伙伴合作推进技术落地。 ## 小结 CEA-Leti 的 EPR 芯片展示了半导体技术与生化检测结合的潜力。以 **速度** 和 **微型化** 为核心，这项技术正将传统上笨重的分析仪器转变为可随身携带的传感器。未来，喝啤酒时顺便测一下自由基水平，或许不再是科幻场景。
随着生成式AI的普及，网络攻击的门槛正在急剧降低。一篇来自IEEE Spectrum的评论文章指出，如今只需花费**1美元**，攻击者就能借助大语言模型（如Anthropic的Claude Mythos）发动快速而强大的攻击。在这样的威胁环境下，传统的“发现漏洞再打补丁”模式已显得力不从心。文章作者、纽约大学计算机科学与工程助理教授Evan Johnson和教授Justin Cappos提出，真正的解决之道在于转向**内存安全代码**——从源头消除整类漏洞，而非疲于修补。 ## 为什么“补丁模式”难以为继？ 长期以来，网络安全界遵循着一种被动防御逻辑：软件发布后，通过漏洞报告、安全更新和补丁来修复问题。然而，随着攻击自动化程度提升，攻击者可以批量扫描未打补丁的系统，并迅速利用已知漏洞。更关键的是，许多严重漏洞（如缓冲区溢出、释放后使用）源于C/C++等语言的内存管理缺陷。即使开发者及时发布补丁，用户也未必能立即部署，这给攻击者留下了时间窗口。 ## 内存安全：从根源上“铸盾” Johnson和Cappos强调，**编写内存安全的代码**才是更具“耐久性”的防御策略。内存安全语言（如Rust、Go、Java）通过编译时检查和运行时机制，自动避免指针误用、越界访问等常见错误。这意味着整类漏洞在代码编写阶段就被消除，而非依赖事后修补。事实上，微软、谷歌等巨头已在核心组件中逐步采用Rust，以降低安全风险。 ## AI攻击的成本与收益 文章特别指出，大语言模型降低了网络攻击的门槛。攻击者可以用极低成本生成钓鱼邮件、恶意代码甚至零日漏洞的利用脚本。1美元的投入可能换来数万倍的破坏收益。在这种不对称对抗中，防御方必须提升“基础免疫力”——即软件的先天安全性。 ## 小结：投资“耐久性”而非“应急响应” 短期内，补丁仍是必要的安全手段；但从长期看，**将安全左移**、在开发阶段采用内存安全语言，能显著降低漏洞密度和修复成本。对于企业和开发者而言，这意味着需要重新权衡技术选型：选择Rust等内存安全语言，虽然可能带来学习曲线和性能权衡，但相比持续的安全事故和应急响应支出，这笔投资显然更划算。 随着1美元攻击成为常态，唯有“耐久防御”才能让系统在风暴中屹立不倒。
一家名为 **Niobium** 的初创公司悄然发布了一款名为 **The Fog** 的加密云平台，其核心卖点是：**数据从存储到计算全程保持加密状态**，即便在云端被处理时也无需解密。 传统云服务通常会在计算前将数据解密，这为潜在攻击者留下了可乘之机。而 The Fog 采用**同态加密**技术，允许直接对加密数据进行运算，结果仍为加密形式，只有持有密钥的用户才能解密。 ### 技术原理 同态加密并非新概念，但过去因性能开销巨大而难以实用。Niobium 声称通过专有优化，将计算效率提升了数个数量级，使该技术首次具备商业可行性。平台支持多种编程语言，开发者无需深入了解密码学即可调用加密计算 API。 ### 应用场景 - **金融行业**：处理客户交易数据、信用评分模型，避免明文暴露。 - **医疗领域**：在保护患者隐私的前提下进行基因组分析。 - **政府机构**：共享敏感情报数据的同时满足合规要求。 ### 行业影响 当前，**隐私计算**正成为 AI 和云服务的关键需求。The Fog 的出现可能加速企业从“信任云服务商”向“技术保障安全”的转变。不过，同态加密的计算延迟仍比传统方案高 10-100 倍，目前适用于非实时敏感计算。 ### 小结 The Fog 为“数据可用不可见”提供了工程化解决方案，但大规模落地仍需时间。对于需要严格合规的企业，它已是一个值得关注的选项。
随着人工智能（AI）和高性能计算（HPC）的快速发展，数据中心的电力需求呈现爆发式增长，但其负载的剧烈波动也给电网带来了前所未有的挑战。近日，一种名为“电源缓冲器”的新系统被提出，旨在解决AI设施快速接入电网时面临的稳定性问题，有望加速AI数据中心的部署进程。 ## 数据中心负载波动：电网的“新痛点” 传统数据中心的负载相对稳定，但AI训练和推理任务具有高度动态性。例如，GPU集群在启动训练任务时，功率需求可能在几秒内从10%飙升至100%；而当任务完成或进入空闲状态时，负载又会急剧下降。这种“负载浪涌”现象对电网的调峰能力提出了极高要求。电网运营商通常需要数小时甚至数天来平衡供需，而AI设施的秒级波动可能引发频率偏移、电压不稳甚至局部停电。 ## 电源缓冲器：电网与数据中心之间的“减震器” 针对这一痛点，研究人员开发了**中压不间断电源（UPS）** 系统，它本质上是一个大型储能设备，能够快速吸收或释放功率，从而平滑数据中心的负载曲线。该系统在**美国国家可再生能源实验室（NREL）** 的**先进集成能源系统研究平台（ARIES）** 上进行了测试。测试结果显示，该缓冲器可以有效抑制负载波动，将电网侧看到的功率变化率降低到可接受范围内。 ## 加速AI设施并网的关键技术 目前，AI数据中心因电网接入审批周期长而面临建设延迟。许多电网运营商要求新设施必须配备额外的稳定设备，如飞轮储能或电池系统，但这增加了成本和复杂度。电源缓冲器提供了一种集成化解决方案：它不仅能作为备用电源，更能主动参与电网调节，使AI设施能够更快获得并网许可。据测试方ON.energy公司透露，该系统有望将并网时间从数月缩短至数周。 ## 行业影响与展望 这项技术对于AI产业的持续扩张至关重要。据国际能源署（IEA）预测，到2026年，数据中心的电力消耗将占全球总用电量的3%以上，其中AI负载的增长速度最快。电源缓冲器的应用不仅缓解了电网压力，也为数据中心运营商提供了更灵活的选址方案——他们可以不再受限于电网容量充裕的区域。 不过，该技术目前仍处于测试阶段，其规模化部署的成本和长期可靠性尚需验证。但可以预见，随着AI算力需求的指数级增长，类似“电源缓冲器”的电网友好型技术将成为数据中心基础设施的标配。
在凝聚态物理领域，磁体研究一直是一个核心课题。然而，**理想磁体**——具备完美有序、无缺陷且性能稳定的磁性材料——至今仍是一个理论上的追求目标。最新的研究指出，电子行为的复杂性和纠缠特性是主要障碍，传统经典物理模型已无法描述其全貌，唯有量子数学才能胜任这一挑战。 ## 电子纠缠的迷雾 电子在材料内部并非独立运动，它们之间存在强烈的量子纠缠。这种纠缠使得电子自旋、轨道和电荷自由度相互耦合，形成一种高度关联的状态。在追求理想磁体的过程中，科学家希望实现长程磁有序，但电子间的纠缠会引入随机涨落和拓扑缺陷，破坏有序性。例如，在自旋冰或量子自旋液体中，电子纠缠导致磁矩无法冻结成传统意义上的铁磁或反铁磁态，而是呈现一种动态的、分数化的激发。 ## 量子数学的必然性 面对这样的复杂性，经典统计力学和平均场理论往往失效。研究人员转向量子多体理论，如张量网络、密度矩阵重整化群（DMRG）和量子蒙特卡洛方法，来模拟电子行为。这些方法虽然计算成本极高，但能捕捉纠缠带来的非局域关联。例如，在低维系统中，一维自旋链的精确解（如Bethe ansatz）揭示了自旋子（spinon）激发，这完全无法用经典图像理解。 ## 现实中的进展与瓶颈 尽管理论上有突破，实验合成理想磁体仍困难重重。材料中的杂质、晶格应变和热涨落都会引入退相干，破坏量子态。近年来，二维材料（如石墨烯异质结）和莫特绝缘体（如钒氧化物）为研究强关联电子体系提供了平台，但距离理想磁体仍有距离。例如，魔角石墨烯中发现的奇异磁性相，其机制仍在争论中。 ## 未来方向 要实现理想磁体，可能需要结合多种策略： - **材料设计**：通过第一性原理计算筛选具有强自旋轨道耦合的化合物，如拓扑绝缘体或Kitaev材料。 - **量子模拟**：利用超冷原子或离子阱模拟量子自旋模型，验证理论预测。 - **纠错技术**：在量子计算中发展出的纠错码，或许能用于稳定磁有序态。 总之，理想磁体的追求不仅是材料科学的挑战，更是对量子多体物理理解的考验。正如文章所述，电子行为的复杂性使得经典方法望尘莫及，唯有拥抱量子数学，才能逐步逼近这个遥远的目标。
基因组常被比喻为“意大利面条式的代码”——复杂、混乱、难以理解。但如今，一批新工具正试图将DNA转变为工程师可以设计的东西，让生物学从描述性科学迈向工程化科学。 ### 从“读”到“写”的跨越 长期以来，基因组学的主要任务是“读取”——测序DNA并解读其功能。然而，随着CRISPR等基因编辑工具的成熟，以及合成生物学的兴起，科学家们开始思考如何“写入”基因组，即从头设计甚至重写生物的遗传密码。这种转变类似于软件工程从阅读混乱的遗留代码到编写清晰、模块化程序的进化。 ### 核心挑战：基因组的复杂性 基因组并非简单的线性代码。它包含非编码区、调控元件、重复序列，以及复杂的相互作用网络。传统的基因编辑往往只针对单个基因，但许多疾病和性状涉及多个基因的协同作用。此外，DNA的三维结构也会影响基因表达，使得重写基因组如同在混乱的线团中理清头绪。 ### 新工具登场：AI与合成生物学 为解决这一难题，研究人员正在开发基于人工智能的设计工具。例如，**深度学习模型**可以预测DNA序列如何影响基因表达，帮助科学家设计更有效的基因线路。同时，**合成生物学**领域出现了“基因组编写”项目，如**GP-write**，旨在合成完整的人类基因组。这些工具的目标是让基因组设计变得像编写软件代码一样可预测、可模块化。 ### 应用前景与伦理考量 如果成功，重写基因组的能力将带来革命性应用： - **医学**：设计抗病毒的人类细胞，或修复导致遗传病的突变。 - **农业**：培育抗旱、高产作物。 - **工业**：改造微生物生产药物和生物燃料。 然而，这项技术也引发深刻伦理问题。我们是否有权重写人类的遗传蓝图？如何确保安全性和公平性？国际社会已开始讨论相关治理框架。 ### 未来展望 目前，重写整个基因组仍是一个遥远的目标。但每一步进展都在将生物学推向更工程化的方向。正如一位研究者所言：“我们正在学会如何阅读基因组的语法，下一步就是学会如何写诗。” 这个比喻恰当地描绘了从理解到创造的跨越。在这个过程中，AI将成为不可或缺的伙伴，帮助人类解开基因组代码的混乱之美。
随着AI模型规模不断膨胀，能耗和计算延迟成为严峻挑战。斯坦福大学研究团队从硬件底层重新设计，开发出首款能高效处理稀疏计算的芯片，平均能耗仅为CPU的七十分之一，计算速度提升8倍，为更绿色的AI开辟了新路径。 ## 规模膨胀的代价与稀疏计算的机遇 近年来，大语言模型（LLM）的参数规模以惊人速度增长。Meta最新发布的Llama模型拥有**2万亿参数**，性能提升的同时，能耗和碳足迹也急剧上升。业界通常通过缩小模型规模或使用低精度数值来缓解问题，但这些方法往往以牺牲能力为代价。 然而，一个被忽视的突破口藏在模型内部：**稀疏性**。研究表明，许多大模型中大部分参数（权重和激活值）实际上为零或接近零，可以忽略而不影响精度。这意味着，如果硬件能跳过这些“零”的计算和存储，就能大幅节省时间和能量。 ## 硬件与软件的协同重构 遗憾的是，当前主流硬件（如多核CPU和GPU）并未针对稀疏性进行优化。要真正利用稀疏性，必须从硬件、固件到应用软件全面重新设计。斯坦福大学研究团队正是这样做的——他们开发了**首款能高效处理各种稀疏和传统工作负载的芯片**。 该芯片的能耗优势显著：平均能耗仅为CPU的**七十分之一**，计算速度平均提升**8倍**。这一成果得益于对硬件架构、底层固件和软件栈的协同创新，使稀疏计算从理论走向实用。 ## 未来展望：更绿色的AI 稀疏计算并非新概念，但此前缺乏硬件支持。斯坦福团队的成果为AI能效提升打开了新大门。随着模型持续增大，稀疏性有望成为平衡性能与能耗的关键技术。研究团队表示，这只是开始，未来将推动硬件与模型协同设计，实现更节能的AI。
《纠缠：人类连接简史》是Danica Radovanović为IEEE Spectrum 2026年5月刊创作的一首诗歌。作者是一位常驻德国的作家与数字社会研究员，长期关注技术与数字文化。这首诗在AI渗透日常的背景下，以“纠缠”为隐喻，探讨人类连接的演变——从物理接触的必然性到数字媒介的虚拟延伸，再到算法介入后关系本质的微妙变化。诗歌并非技术乐观主义的颂歌，而是以文学笔触追问：当“连接”变得无处不在且可被量化，亲密性是否反而被稀释？Radovanović在Substack专栏“Digital Serendipities”中常讨论类似主题。这首诗适合对技术哲学、数字人类学感兴趣的读者，也适合作为AI伦理讨论的感性切入点。
随着 Anthropic 发布 **Claude Mythos 预览版**，AI 辅助编程进入新阶段，但代码安全性面临更大挑战。传统安全措施难以应对 AI 生成代码的独特风险，例如逻辑漏洞、隐秘后门及合规问题。业界呼吁采用**多层验证机制**，包括自动化静态分析、动态测试与人工代码审查相结合。**人工监督**尤为关键，开发者需理解 AI 建议的上下文，避免盲目采纳。此外，企业需建立**持续监控与反馈循环**，将安全嵌入整个开发流程。Claude Mythos 的预览版本身也内置了安全限制，如限制生成敏感代码，但专家提醒这并非万能。未来，AI 辅助编码的安全保障将依赖工具、流程与人的协同进化。
随着电动垂直起降飞行器（eVTOL）逐渐从概念走向商业化，其核心动力系统的设计引发了广泛关注。相比已经成熟的电动汽车（EV）电机，eVTOL电机面临着截然不同的工程挑战。Joby Aviation动力总成主管Jon Wagner近日在接受《航空杂志》采访时，揭示了两种电机在设计理念、可靠性要求和运行环境上的关键差异。 ## 可靠性要求的鸿沟 Wagner指出，汽车电机在设计时通常考虑的是“有限寿命”场景——即使一辆电动汽车行驶30万公里，其电机实际运行时间也远低于航空标准。而eVTOL电机必须满足**航空级的耐久性**，其设计寿命通常以**数万小时**计，且需要在极端温度、振动和海拔条件下保持稳定输出。 更关键的是**冗余与失效模式**。汽车电机失效通常意味着车辆抛锚，带来不便但风险可控；而eVTOL电机在空中失效则可能直接威胁生命安全。因此，Joby的电机从架构层面就内置了多重冗余，例如采用**双绕组设计**和**独立冷却回路**，确保单一故障点不会导致动力丧失。 ## 功率密度与热管理的博弈 eVTOL对功率密度的要求远超电动汽车。在起飞和着陆阶段，电机需要短时间内输出**峰值功率**以产生足够升力，而巡航阶段则只需较低功率。这种**高动态负载**特性要求电机具备极强的瞬态响应能力，同时必须高效管理热量——否则过高的温升会迅速降低永磁体的性能。 Wagner透露，Joby的电机采用了**先进的油冷系统**和**高耐温永磁材料**，使连续功率密度达到**每千克8千瓦以上**，远超典型汽车电机（约3-5千瓦/千克）。此外，电机还必须通过严格的**热循环测试**，模拟数百次起降带来的反复热冲击。 ## 噪声与电磁兼容的隐形挑战 与汽车不同，eVTOL在城市低空飞行，**噪声法规**极为严格。电机的高频电磁噪声和齿轮啮合噪声都需要针对性优化。Joby通过优化**定子槽形**和**转子磁路**，将电机本身的电磁噪声降低了**10分贝以上**，同时采用**直驱设计**减少传动噪声。 电磁兼容（EMC）也是一大难点。航空电子系统对电磁干扰极其敏感，电机控制器产生的开关噪声必须被抑制在极低水平。Wagner表示，Joby的电机通过了DO-160航空标准中的EMC测试，这比汽车标准严格一个数量级。 ## 从汽车到航空的工程跃迁 尽管Jon Wagner此前在特斯拉积累了丰富的汽车电机经验，但他坦言，将汽车技术直接移植到eVTOL上“行不通”。汽车追求的是**成本效益**和**规模化生产**，而航空更看重**安全裕度**和**极端工况验证**。例如，Joby的电机每一台都要进行**100%出厂测试**，包括高低温循环、振动扫频和过速试验，而汽车电机通常只做抽样测试。 ## 小结 eVTOL电机并非电动汽车电机的简单放大版，而是一种为**安全优先、高动态负载、严苛环境**而重新设计的航空级动力系统。随着Joby、Archer等公司推进适航认证，这些技术差异正成为行业竞争的核心壁垒。未来，当eVTOL真正融入城市交通时，其电机设计理念或将为地面电动交通带来新的启发——例如航空级可靠性标准是否会下放至高端电动汽车？这或许是两个行业相互借鉴的下一站。
NASA 的好奇号火星车再次为人类探索地外生命带来重磅发现。根据最新报道，好奇号上的 **样品分析仪（SAM）** 在火星表面岩石中检测到了复杂的有机分子，这些分子被认为是核糖核酸（RNA）和脱氧核糖核酸（DNA）的 **前体物质**。这一发现进一步证实火星曾具备支持生命起源的化学条件。 ### 发现详情 SAM 是好奇号搭载的核心科学仪器之一，能够加热岩石样本并分析释放的气体，从而识别有机化合物。此次检测到的分子属于 **复杂有机分子** 范畴，其结构比之前发现的简单有机碳化合物更为复杂，且与地球生命遗传物质的基本单元高度相似。科学家指出，这类分子在合适的条件下可以通过化学反应形成更长的链，进而演变为 RNA 或 DNA 的雏形。 ### 科学意义 这是人类首次在火星表面明确识别出与生命遗传物质直接相关的有机前体。虽然这 **并不代表发现了现存的生命**，但它强有力地表明：火星在远古时期可能拥有更丰富、更复杂的有机化学环境。结合此前好奇号在盖尔陨石坑发现的古代湖床沉积物、粘土矿物以及甲烷波动等证据，一幅关于火星“宜居时代”的画面正逐渐清晰——液态水、能量来源和有机“积木”或许曾同时存在。 ### 下一步探索 NASA 的 **毅力号** 火星车正在杰泽罗陨石坑收集样本，计划通过未来的火星样本返回任务将这些岩石带回地球进行更精细的分析。如果毅力号也能在类似环境中发现这类前体分子，将极大增强火星生命起源假说的可信度。此外，欧洲空间局的 **罗莎琳德·富兰克林号** 火星车也计划于 2028 年发射，其钻探深度可达 2 米，有望找到被火星表面辐射破坏、保存更完好的有机分子。 ### 行业视角 在 AI 与太空探索深度结合的当下，机器学习算法正被用于分析 SAM 等仪器产生的大量光谱数据，帮助科学家更快地识别复杂有机化合物。此次发现也再次提示：太阳系内其他天体（如木卫二、土卫二）的冰层下海洋中，是否也存在类似的生命前体？未来的探测任务或将把寻找这类分子作为核心科学目标之一。
欢迎来到本周的“视频星期五”栏目，我们为您精选了最酷的机器人视频。本期焦点是索尼AI团队训练机器人打乒乓球的幕后故事。 ## 机器人乒乓球手：从训练到对决 索尼AI的研究人员开发了一个能够与职业乒乓球选手对战的机器人系统。该系统结合了高速视觉、运动规划和强化学习，使机器人能够实时追踪乒乓球并做出回应。在测试中，机器人展示了令人印象深刻的反应速度和击球精度，但面对职业选手的旋转和策略性打法时，仍存在差距。 ## 技术亮点 - **高速视觉**：机器人使用每秒1000帧的摄像头捕捉球路。 - **运动规划**：通过优化算法，机器臂能在毫秒内计算出最佳击球点。 - **强化学习**：机器人在模拟环境中进行数百万次对打，不断优化策略。 ## 谁赢了？ 在最终的对决中，职业选手以微弱优势获胜。但机器人并非毫无还手之力——它成功赢下了几个回合，尤其是在快速对攻中展现了机械优势。索尼AI表示，这次实验更多是探索人机协作的边界，而非追求绝对胜利。 ## 行业视角 这一成果不仅展示了机器人在动态环境中的实时决策能力，也为未来服务机器人（如乒乓球教练或娱乐伙伴）奠定了基础。类似的技术还可应用于工业分拣、手术辅助等领域。 ## 其他精彩视频 本周还收录了波士顿动力Atlas的最新跑酷演示、以及一款能自主叠衣服的家用机器人原型。 --- **小结**：机器人乒乓球手的表现令人振奋，虽然暂时不敌人类顶尖选手，但技术进步的速度值得期待。
在 AI 安全领域，Anthropic 近期提出的“神话”（Mythos）概念引发热议。这一理念的核心在于：**网络安全的新现实，正奖励那些能够被持续测试和修补的系统**。 ## 从“神话”说起 “神话”并非指虚构故事，而是 Anthropic 用以描述 AI 系统内在安全机制的一种比喻。它强调，与其依赖静态的防御壁垒，不如构建动态的、可迭代的安全体系。这与传统网络安全中“打补丁”的思路一脉相承，但在 AI 时代被赋予了新的紧迫性。 ## 持续测试：AI 安全的生命线 传统软件安全依赖发布前的渗透测试和漏洞扫描，但 AI 模型的行为具有非确定性和涌现性，静态测试远远不够。Anthropic 的观点是：**安全必须嵌入到 AI 系统的生命周期中**，从训练到部署，再到持续监控，每一个环节都需要自动化的测试与验证。例如，对抗性测试、红队演练和模型行为审计，都应当成为常态。 ## 可修补性：AI 系统的进化优势 “神话”的另一层含义是：**系统必须被设计为易于修补**。这意味着模型架构、数据管道和部署流程都需要支持快速迭代。当发现安全漏洞或偏见时，能够像软件更新一样迅速修复。这对于大语言模型（LLM）尤其重要——它们的知识库和行为模式可能随着新数据而偏移，需要持续校准。 ## 行业启示：从防御到韧性 这一理念与网络安全行业的整体趋势不谋而合：从“攻防对抗”转向“系统韧性”。Anthropic 的“神话”提醒我们，**没有一劳永逸的安全方案**，只有不断进化的防御体系。对于企业而言，这意味着需要投资于自动化安全工具、建立内部红队，并培养一种“安全优先”的工程文化。 ## 挑战与展望 当然，持续测试和修补也面临挑战：成本高昂、可能影响模型性能，以及需要全新的安全人才。但 Anthropic 的倡导表明，**AI 安全不再是事后补救，而是产品设计的核心**。未来，我们可能会看到更多类似“神话”的概念，推动行业建立更动态、更智能的安全标准。 总之，Anthropic 的“神话”不仅是一个理念，更是一个行动号召：在 AI 时代，网络安全必须像软件本身一样，持续迭代。
Tom Burick 曾是一名机器人专家，如今他是一名特殊教育教师。为了让神经多样性学生更好地理解计算历史，他亲手建造了一台等比例的 **ENIAC** 复制品——这台重达30吨、占地167平方米的巨型机器，曾是世界上第一台通用电子计算机。 ## 从实验室到课堂 Burick 的职业生涯始于机器人领域，他曾参与设计工业机器人和教育机器人。然而，他逐渐意识到，科技教育的核心不在于炫技，而在于让学生理解技术演进的脉络。当他转入特殊教育领域后，他发现许多神经多样性学生（如自闭症、多动症学生）对视觉化和具象化的历史实物有着天然的亲近感。 “他们需要看到、摸到，才能真正理解。”Burick 在采访中表示。于是，他决定将计算机历史的里程碑——ENIAC——从书本中“搬”进教室。 ## 复刻ENIAC：一场硬核的“考古”工程 ENIAC 诞生于1946年，占地约167平方米，重达30吨，由超过17000个真空管、70000个电阻和1000万个焊点构成。Burick 的复制品并非1:1的精确复刻，而是基于历史图纸和照片的“教学级”还原： - **尺寸与外观**：他使用木材、金属和3D打印部件，按比例搭建了ENIAC的40个机柜轮廓，并还原了标志性的控制面板和插线板。 - **功能模拟**：虽然复制品无法真正运行程序（原始ENIAC每秒可执行5000次加法），但Burick 为其安装了LED灯带和微控制器，模拟真空管闪烁和数据处理过程。 - **交互设计**：学生可以亲手插拔“程序线缆”，体验早期计算机的编程方式——通过物理重连电路改变计算任务。 整个项目耗时18个月，Burick 利用课余时间和周末在自家车库中完成。他坦言，最大的挑战不是技术，而是如何将工程细节转化为适合特殊需求学生的教学工具。 ## 教学成果：历史成为“锚点” 这台复制品已成为 Burick 课堂的核心教具。在讲解计算机原理时，他会先让学生观察ENIAC的庞大体积和复杂布线，再对比现代智能手机——这种强烈的反差让抽象概念变得具体。 “一个患有自闭症的学生曾对我说：‘原来我们口袋里的电脑，比这个房间还厉害。’那一刻，我知道他理解了‘摩尔定律’。”Burick 回忆道。 数据显示，使用ENIAC复制品后，他的学生在计算机历史单元测试中的平均分提高了 **32%**，课堂参与度也显著提升。更重要的是，许多原本对科技课缺乏兴趣的学生，开始主动查阅资料，甚至尝试用Arduino搭建微型“真空管逻辑门”。 ## 行业视角：科技教育需要“历史感” Burick 的做法在科技教育界引发了讨论。传统STEM课程往往聚焦于最新技术（如AI、量子计算），却忽略了技术演进的“根系”。IEEE Spectrum 的评论指出：“当学生只看到结果（智能手机），而看不到过程（ENIAC到晶体管的演进），他们容易将科技视为黑箱魔法。” 事实上，近年来多个教育研究项目证实，将科技史融入课程能显著提升学生的 **批判性思维** 和 **工程直觉**。例如，MIT 的“计算史实验室”让学生复刻早期计算机，发现学生在调试“故障真空管”时，对电路逻辑的理解远超单纯听课。 ## 未来计划：从ENIAC到图灵机 Burick 并不满足于一个项目。他正在计划打造一台可运行的 **图灵机** 机械模型，以及一个“计算史走廊”，展示从算盘到量子计算机的物理模型。他的终极目标是建立一个 **交互式计算史博物馆**，让所有学生——无论学习能力如何——都能亲手触摸科技的演进。 “历史不是过去，而是理解现在的钥匙。”Burick 说。
热电发电器能将废热直接转化为电能，在工业余热回收、汽车尾气利用等领域有巨大潜力。传统设计方法依赖人工试错和物理模拟，开发一种新材料或结构往往需要数月甚至数年。如今，一种基于人工智能的新方法将这一过程加速了**10,000倍**，使热电发电器的设计效率达到前所未有的水平。 ### 设计瓶颈如何被打破？ 热电材料的性能通常由**热电优值**（ZT值）衡量，它取决于电导率、塞贝克系数和热导率三者间的微妙平衡。传统上，研究者通过调整材料成分、掺杂比例或微观结构来优化ZT值，每一步都需要大量实验和计算。AI模型则能直接学习材料成分、工艺参数与性能之间的复杂映射关系。 研究团队构建了一个**深度神经网络**，输入材料配方和工艺条件，输出预测的ZT值。训练数据来自已有的实验和模拟结果。模型训练完成后，可以在毫秒级内评估数百万种候选组合，而传统方法评估一种组合可能需要数小时。 ### 不只是快，更是智能 AI不仅加速了评估过程，还能主动探索参数空间中的“盲点”。通过**主动学习**策略，模型会优先选择那些不确定性高或潜在性能优越的候选点进行实验验证，从而用最少的实验次数锁定最优方案。在测试中，AI设计的热电材料ZT值相比人工设计方案提升了约20%，同时开发周期从数月缩短到数天。 ### 实际应用前景 这种AI驱动的方法已成功用于设计**碲化铋**（Bi₂Te₃）和**方钴矿**（skutterudite）等经典热电材料。未来，它有望扩展到更多复杂体系，如氧化物热电材料或柔性薄膜器件。对于工业界而言，这意味着废热回收系统的成本将大幅降低，因为更高效的热电模块可以用更少的材料产生更多电力。 ### 小结 AI正在改变材料科学的游戏规则。从光伏到热电，从电池到催化剂，AI辅助设计已成为加速能源技术落地的关键工具。这项研究再次证明，当**数据驱动的方法**与物理洞察相结合时，人类探索新材料的步伐可以比想象中快得多。
在AI技术日新月异的今天，一项复古的数字通信技术——Teletext（图文电视）正通过业余无线电爱好者之手重获新生。IEEE Spectrum的特刊编辑Stephen Cass最近分享了一个引人注目的项目：利用计算机声卡生成和接收数字音调，通过业余无线电交换Teletext页面，将1980年代的经典技术融入现代通信场景。 ## 什么是Teletext？ Teletext是上世纪70年代末至80年代广泛应用的数字信息广播系统，通过电视信号的空闲行传输文本和简单图形信息。用户可以通过专用解码器或电视内置功能，接收新闻、天气、股票等实时信息。这项技术在当时代表了数字通信的前沿，但随着互联网的普及逐渐淡出主流视野。 ## 技术复活：声卡与业余无线电的结合 这个项目的核心创新在于利用现代计算机的声卡作为数字调制解调器。声卡能够生成和解析特定的音频频率，这些频率对应Teletext的数字信号。通过业余无线电设备，这些音频信号可以在空中传输，实现点对点的数据交换。 **关键步骤包括：** - 使用软件将Teletext页面编码为音频信号 - 通过声卡输出到业余无线电发射机 - 接收端通过无线电接收信号并输入声卡 - 软件解码音频，还原Teletext页面 这种方法绕过了传统的专用硬件，降低了技术门槛，让更多爱好者能够参与实验。 ## 为什么在AI时代关注复古技术？ 在AI模型参数动辄千亿、计算资源需求巨大的背景下，这个项目提醒我们：**通信技术的本质是可靠、低功耗的信息传递**。Teletext作为一种低带宽、高鲁棒性的数字广播系统，在特定场景下仍有其价值： - **应急通信**：在自然灾害导致互联网中断时，业余无线电结合Teletext可以提供基本的信息广播能力 - **教育价值**：帮助学生理解数字调制、纠错编码等通信原理 - **文化遗产保护**：保存和传承历史上的技术标准 ## 与AI技术的潜在交集 虽然这个项目本身不涉及AI，但它展示了**边缘计算**和**低功耗通信**的另一种可能性。在AIoT（人工智能物联网）领域，类似的低带宽通信技术可以与轻量级AI模型结合，用于传感器数据收集或远程控制。例如，在偏远地区的环境监测中，Teletext式的数据传输可能比依赖高速网络更实际。 ## 技术挑战与未来展望 当前实现仍面临一些限制：传输速率较低、抗干扰能力依赖无线电环境。但随着软件定义无线电（SDR）技术的发展，未来或许可以开发更高效的调制方案，甚至结合简单的AI算法进行信号优化。 这个项目不仅是技术怀旧，更是对**通信多样性**的探索。在5G、卫星互联网主导的今天，保留和发展替代性通信手段，有助于构建更具韧性的全球网络。 ## 小结 Stephen Cass和James Provost的Teletext复活项目，巧妙地将1980年代的数字广播技术与现代计算机硬件结合，为业余无线电社区注入了新活力。它提醒我们：技术进步并非总是线性替代，有时复古创新也能开辟独特应用场景。在AI高速发展的时代，这类低技术门槛、高教育价值的项目，同样值得关注和鼓励。
近期，美国提出禁止中国机器人的提案，这被视为其科技主权战略的最新举措。然而，这一政策背后隐藏着一个关键矛盾：**美国机器人制造商仍高度依赖中国制造的零部件**。 ## 政策背景与核心矛盾 美国在机器人领域对中国实施禁令，旨在减少对华技术依赖，强化本土供应链安全。这一举措延续了近年来美国在半导体、人工智能等关键技术领域的“脱钩”趋势，是科技主权竞争的一部分。 但现实情况是，**中国在全球机器人零部件供应链中占据重要地位**，尤其在伺服电机、减速器、控制器等核心组件方面。美国机器人企业若无法获得这些中国制造的部件，将面临生产成本上升、交付周期延长甚至产能受限的挑战。 ## 对美国机器人产业的影响 - **供应链中断风险**：短期内，美国机器人制造商难以找到替代供应商，可能导致生产停滞或成本激增。 - **竞争力削弱**：依赖中国零部件的美国企业，在成本控制和技术迭代速度上可能落后于全球竞争对手。 - **创新受阻**：供应链的不确定性可能影响研发投入，延缓新技术落地。 ## 科技主权博弈的深层逻辑 这一禁令不仅是贸易保护措施，更反映了中美在**关键技术主导权**上的长期竞争。机器人作为智能制造、自动化领域的核心装备，其自主可控被视为国家工业竞争力的基石。美国试图通过限制中国机器人，推动本土产业链重塑，但供应链的全球性使得“完全脱钩”难以实现。 ## 行业应对与未来展望 面对这一政策，美国机器人企业可能采取以下策略： 1. **多元化供应链**：寻找中国以外的零部件供应商，如日本、德国等，但短期内难以完全替代。 2. **加大本土研发**：投资关键零部件的自主研发，但这需要时间和资金支持。 3. **游说政府调整政策**：企业可能呼吁政策制定者考虑实际供应链情况，避免“一刀切”禁令。 长远来看，**全球机器人产业链的重新布局**将成为趋势，但过程可能缓慢且充满挑战。中美在机器人领域的博弈，将影响全球自动化技术的演进路径与市场格局。 ## 小结 美国拟禁中国机器人的提案，凸显了科技主权竞争的复杂性与现实制约。在全球化供应链背景下，单纯的政策禁令难以实现完全自主，反而可能加剧产业波动。未来，如何在安全与效率之间找到平衡，将是各国科技政策制定者面临的关键课题。